文献

J-GLOBAL ID：202202228908726656   整理番号：22A0309911

ArianNN:機能秘密共有による低相互作用プライバシー保護深層学習【JST・京大機械翻訳】

AriaNN: Low-Interaction Privacy-Preserving Deep Learning via Function Secret Sharing

著者 (4件)： Ryffel Theo (INRIA, Departement d’informatique de l’ENS, ENS, CNRS, PSL University, Paris, France) ,  Tholoniat Pierre (Columbia University, New York, USA) ,  Pointcheval David (Departement d’informatique de l’ENS, ENS, CNRS, PSL University, INRIA, Paris, France) ,  Bach Francis (INRIA, Departement d’informatique de l’ENS, ENS, CNRS, PSL University, Paris, France)
資料名： Proceedings on Privacy Enhancing Technologies (Web)  (Proceedings on Privacy Enhancing Technologies (Web))
巻： 2022  号： 1  ページ： 291-316  発行年： 2022年 
JST資料番号： U8133A  ISSN： 2299-0984  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 著者らは,AriaNN,個人ニューラルネットワーク訓練のための低相互作用プライバシー保護フレームワーク,および高感度データに関する推論を提案する。半正直な2パーティ計算プロトコル(信頼された取扱者による)は,効率的なオンライン位相を実現できる最近の軽量暗号プロトコルである,機能秘密共有を利用する。ReLU,MaxPoolおよびバッチNormのようなニューラルネットワークのビルディングブロックのための最適化プリミティブを設計した。例えば,オンライン位相中の入力のサイズの単一メッセージによるReLU操作に対する私的比較を行い,以前の作業よりも4×小さい前処理鍵を持つ。最後に,著者らは,nパーティプライベート連合学習をサポートするための拡張を提案した。暗号と機械学習操作のためにCPUとGPUハードウェア加速を利用するPyTorchのトップに関する拡張システムとして,著者らのフレームワークを実行した。著者らは,AlexNet,VGG16またはResNet18のような標準ニューラルネットワーク上の遠隔サーバ間の私的推論のためのエンドツーエンドシステムを評価し,LeNetのようなより小さなネットワークに関する私的訓練を行った。通信よりむしろ計算が主要なボトルネックであり,GPUsを縮小鍵サイズと共に使用することがこの障壁を克服するための有望な解決策であることを示した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *相互作用 ,  ネットワーク ,  ニューラルネットワーク ,  *保護 ,  計算 ,  *分散管理 ,  エンドツーエンド方式 ,  ハードウェア ,  位相 ,  プロトコル ,  機械学習 ,  フレームワーク【ソフトウェア開発】
準シソーラス用語： *秘密共有 ,  *プライバシー保護 ,  オンライン ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： マルチパーティ計算 ,  機能秘密共有 ,  安全な比較 ,  深層学習

分類 (2件)： データ保護  (JD01020V) ,  符号理論  (ND02030R)

タイトルに関連する用語 (4件)： 秘密共有 ,  相互作用 ,  プライバシー ,  深層学習